探索Eden AI：利用LangChain与嵌入模型互动-优快云博客

探索Eden AI：利用LangChain与嵌入模型互动

引言

在当代AI的蓬勃发展中，Eden AI正在改变这一景观。通过汇集顶尖AI供应商，Eden AI为用户提供了一种便捷的平台，帮助他们快速将AI功能部署到生产中。这篇文章的目的是引导你使用LangChain与Eden AI的嵌入模型进行交互，揭示其无限可能性。

主要内容

获取API访问权限

要访问Eden AI的API，你需先获取一个API密钥。可以通过创建一个账户并在账户设置中获取API密钥。获得密钥后，将其设置为环境变量以便于后续操作：

export EDENAI_API_KEY="your_api_key"

如果不想使用环境变量，还可以在初始化Eden AI嵌入类时直接通过edenai_api_key参数传入密钥。

from langchain_community.embeddings.edenai import EdenAiEmbeddings

# 使用API代理服务提高访问稳定性
embeddings = EdenAiEmbeddings(edenai_api_key="your_api_key", provider="openai")

嵌入模型的调用

Eden AI汇集了多家供应商的API接口。要访问特定模型，可以在调用时指定“provider”参数。

embeddings = EdenAiEmbeddings(provider="openai")  # 指定供应商

文档与查询的嵌入

获取文档和查询的嵌入表示，并计算它们之间的余弦相似度。

docs = ["It's raining right now", "cats are cute"]
document_result = embeddings.embed_documents(docs)

query = "my umbrella is broken"
query_result = embeddings.embed_query(query)

计算余弦相似度

使用余弦相似度来衡量查询与文档之间的相似性：

import numpy as np

query_numpy = np.array(query_result)
for doc_res, doc in zip(document_result, docs):
    document_numpy = np.array(doc_res)
    similarity = np.dot(query_numpy, document_numpy) / (
        np.linalg.norm(query_numpy) * np.linalg.norm(document_numpy)
    )
    print(f'Cosine similarity between "{doc}" and query: {similarity}')

输出结果：

Cosine similarity between "It's raining right now" and query: 0.849261496107252
Cosine similarity between "cats are cute" and query: 0.7525900655705218